El monitoreo predictivo basado en resultados se refiere a predecir el resultado de un caso de proceso en ejecución utilizando eventos históricos almacenados como registros de eventos del proceso. Este problema de predicción ha sido abordado utilizando diferentes modelos de aprendizaje en la literatura. Los aprendices de conjunto han demostrado ser particularmente efectivos en el monitoreo predictivo de procesos empresariales basado en resultados, incluso en comparación con los aprendices que explotan arquitecturas complejas de aprendizaje profundo. Sin embargo, los aprendices de conjunto que se han utilizado en la literatura se basan en aprendices base débiles, como los árboles de decisión. En este artículo, se introduce una técnica de conjunto de apilamiento avanzada para el monitoreo predictivo basado en resultados. El conjunto de apilamiento propuesto emplea aprendices fuertes como clasificadores base, es decir, otros conjuntos. Más específicamente, consideramos el apilamiento de bosques aleatorios, máquinas extremas de aumento de gradiente y máquinas de aumento de gradiente para entrenar un modelo de predicción de resultados del proceso. Evaluamos el enfoque propuesto utilizando registros de eventos disponibles públicamente. Los resultados muestran que el modelo propuesto es un enfoque prometedor para la tarea de predicción basada en resultados. Comparamos extensamente las diferencias de rendimiento entre los métodos propuestos y los aprendices fuertes base, utilizando también pruebas estadísticas para demostrar la generalizabilidad de los resultados obtenidos.